Apprentissage automatique pour prédire les soins aigus pendant le traitement du cancer (Chemo-SHIELD)

Un modèle basé sur l'apprentissage automatique (ML) décrit précédemment a prédit avec précision les visites aux urgences ou les hospitalisations pour les patients cancéreux subissant une radiothérapie ou une chimioradiothérapie. Un essai prospectif randomisé approuvé par l'IRB, SHIELD-RT (NCT04277650) a révélé qu'une intervention préventive pour les patients subissant une radiothérapie et une chimioradiothérapie basée sur la stratification des risques du modèle ML réduisait de 50 % le risque relatif de visites en soins aigus, ce qui montre que l'escalade des soins guidée par le ML amélioration des soins de soutien personnalisés et de l'observance du traitement tout en réduisant les coûts des soins de santé.

L'objectif de cette étude est d'appliquer ce modèle validé basé sur ML à une cohorte de patients subissant une thérapie systémique en tant que traitement ambulatoire du cancer afin de générer un système automatique de prédiction des taux d'admissions hospitalières non planifiées et des rencontres aux urgences. Une fois validée, cette étude s'ajoutera à l'ensemble des preuves publiées précédemment à l'appui d'un essai randomisé évaluant la capacité de l'algorithme ML à attribuer une intervention aux patients recevant un traitement systémique les plus à risque de soins aigus.